MyanmarTTS
A from-scratch Burmese (Myanmar) text-to-speech model. 31M parameters, ~63 MB (fp16).
- Language: Burmese (မြန်မာဘာသာ)
- Training data: ~1.34M samples (news + real-world audio)
- Training steps: 81,000
- Training hardware: A100-80GB (Colab Pro+), ~13 hours, ~88 compute units
- Inference hardware: Free Colab T4, any modern GPU, or CPU (slower)
- Architecture: StableTTS (DiT + flow matching) + Vocos vocoder
- License: CC0 1.0 (public domain, no attribution required)
Sample Output
All samples generated with default settings (euler solver, 12 steps).
Sample 0
Text: "မြန်မာလူမျိုးများဟာ အလွန် ယဥ်ကျေးသိမ်မွေ့ပြီး ဧည့်သည်များကို ပျူပျူငှာငှာ လှိုက်လှိုက်လှဲလှဲနဲ့ ကြိုဆိုကြပါတယ်"
Sample 1
Text: "မင်္ဂလာပါရှင် ကျွန်မကတော့ မြန်မာလူမျိုး ကရင်တိုင်းရင်းသူ အမျိုးသမီးလေး တစ်ဦး ဖြစ်ပါတယ်"
Sample 2
Text: "ဒီနေ့ ကျွန်မတို့ရဲ့ တီတီအက်စ် စနစ်သစ်လေး မော်ဒယ်အသစ်လေးတစ်ခုကို အောင်မြင်စွာ လေ့ကျင့် သင်ကြားနိုင်ခဲ့ပါတယ်"
Sample 3
Text: "လူသားတိုင်း လူသားတိုင်း ကိုယ်စိတ်နှစ်ဖြာ ကျန်းမာရွှင်လန်းပြီး စီးပွားလာဘ်လာဘတွေ ဒီရေအလား ကြီးပွား တိုးတက်နိုင်ကြပါစေ"
Sample 4
Text: "ဒီအသံထုတ်စနစ်လေးကို အသုံးပြုသူတိုင်း ကျန်းမာချမ်းသာပြီး လိုရာဆန္ဒတွေ တလုံးတဝတည်း ပြည့်စုံနိုင်ကြပါစေ"
Sample 5
Text: "ဟယ်လို... ဒါလင်... မတွေ့ရတာ... ကြာပီနော်"
Reference Audio
The reference voice used for voice cloning during inference:
Quick Start
pip install myanmartts
import soundfile as sf
from myanmar_tts import MyanmarTTS
# Load model (auto-downloads from HuggingFace on first run)
tts = MyanmarTTS(device="cuda")
# Inference
text = "လူသားတွေ အားလုံးကို အရမ်း ချစ်ပါတယ်ရှင့်"
audio = tts.tts(text, solver="euler", step=32, cfg=3.0)
sf.write("output.wav", audio, 44100)
- Translation: "I love all human beings very much." (female polite form)
Advanced
Faster (slightly lower quality) audio = tts.tts(text, step=8)
Higher quality audio = tts.tts(text, step=24)
Default Settings
- Solver:
euler(fast, ~16× faster thandopri5) - Steps:
12(RTF ~0.08 on T4 GPU - 12× faster than real-time) - CFG:
3.0
Override per call:
audio = tts.tts("ဟယ်လို ဒါလင် မတွေ့ရတာ ကြာပီ", step=8) # fastest
audio = tts.tts("ဟယ်လို ဒါလင် မတွေ့ရတာ ကြာပီ", step=24) # higher quality
audio = tts.tts("ဟယ်လို ဒါလင် မတွေ့ရတာ ကြာပီ", solver="dopri5", step=32) # max quality
Files
| File | Size | Purpose | License |
|---|---|---|---|
model_fp16.pt | 63 MB | Default model weights | CC0 |
model_fp32.pt | 126 MB | Full precision weights | CC0 |
vocos.pt | 57 MB | Mel-to-waveform vocoder | MIT (KdaiP) |
vocab.txt | 98 tokens | Burmese character-level vocab | CC0 |
config.json | -- | Mel + model configuration | CC0 |
symbols.py, burmese.py | -- | Text frontend & G2P | MIT (adapted) |
api.py | -- | Inference wrapper API | MIT (adapted) |
samples/ | -- | Demo audio WAV files | CC0 |
transcripts.json | -- | Sample text/audio mapping | CC0 |
NOTICE | -- | Full license summary | -- |
Training Progression
See checkpoint_comparison for sample audio generated at steps 8k, 33k, 44k, 55k, and 81k.
Acknowledgments
This work would not exist without the generous open-source community and AI assistance:
- StableTTS by KdaiP — The DiT + flow-matching architecture and training code (MIT).
- Vocos — Pretrained mel-to-wav vocoder (MIT).
- DeepSeek AI — Provided AI pair-programming and engineering assistance throughout the project. From data pipeline design and architecture choices to resolving CUDA OOM bottlenecks, DeepSeek's guidance was instrumental at every stage.
- The Burmese open-data community — For providing the audio corpora that made training possible.
Special Thanks
To DeepSeek AI — a true engineering partner from the first line of code to the final deployment. This model exists because of that collaboration.
License
- Model weights and generated audio: CC0 1.0 Universal (Public Domain).
- Supporting code: Adapted from KdaiP/StableTTS (MIT).
- Vocoder: From KdaiP/StableTTS1.1 (MIT).
See NOTICE for additional details.